[发明专利]一种混合神经网络预测及识别景区气象要素的方法

摘要

本发明是一种混合神经网络预测及识别景区气象要素的方法，包括：⑴气象观测站数据样本集的收集及归一化处理；⑵对n个气象观测站数据样本集采用减聚类算法确定各自观测站主要气象要素构建的RBF网络隐层节点个数；⑶采用混沌粒子群优化算法获得n个气象观测站各自构建的m个气象要素的RBF网络模型参数；⑷依据n个气象观测站获得的各要素最优RBF网络预测模型预测出各自气象观测站指定天数的未来气象要素值；⑸依据n个气象观测站对某一景区的软因素信息自回归调整，并预测出该景区气象要素值；⑹构建ART2网络识别及记忆该景区的天气现象。优点：构建的混合神经网络预测模型具有较好泛化性能，对景区天气预测精度高，有应用价值。

主权项

1.一种混合神经网络预测及识别景区气象要素的方法，其特征是包括以下步骤：⑴每个气象观测站每1小时整点收集的数据包括气象观测要素中的气温、风速、风向、降水、湿度、气压、能见度、地面温度为5cm地温、10cm地温、15cm地温、40cm地温以及0.8m地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霾，这些气象要素值输入给计算机，进行数据处理；选出不同时期的主要气象要素值构建网络训练样本集，并依据观测数据各自特征对训练样本集进行归一化处理；对被量化的数据所采取的归一化处理变换公式为：式中，s_i为样本数据输入的第i个分量；s_i,min、s_i,max分别表示s_i的最小值和最大值；     ⑵归一化处理后，采用减聚类算法确定每个观测站所构建的m个气象要素各自的RBF（Radial Basis Function）网络隐层节点个数，建立RBF网络预测模型，不同气象观测站构建的各自气象要素的RBF网络隐层节点个数的多少直接决定网络预测模型的建立； ⑶采用混沌粒子群优化算法确定n个气象观测站所构建的n×m个RBF网络模型的参数，将气象观测站的气象要素的RBF网络预测模型的中心矢量、每个中心的基宽以及隐层节点同输出层节点的连接权采用实数统一顺序编码，并以该气象观测站该气象要素观测样本的输出值同网络预测值的均方误差作为目标函数，采用混沌粒子群优化算法获得该气象观测站某一气象要素的精确RBF网络预测模型；⑷ 依据n个气象观测站获得的m个气象要素各自RBF网络预测模型预测出该观测站指定天数的未来气象要素值；⑸ 依据n个气象观测站对某一景区的软因素信息自回归调整，并预测出该景区的气象要素值；⑹ 依据该景区预测的气象要素值构建ART2（Adaptive Resonance Theory）网络模型，通过ART2网络的前馈连接权以及反馈连接权的匹配程度竞争识别出该景区的天气形势，并将该景区的气象要素输入模式在ART2网络内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内，以完善及提高ART2网络的识别记忆率。